Олово (Sn) — один из самых перспективных катализаторов для ускорения химических реакций. Хотя его эффективность давно известна, ученые до сих пор плохо понимают, как именно его структура влияет на работу. Это мешает раскрыть весь его потенциал.

Чтобы разобраться, исследователи из Университета Тохоку применили машинное обучение для анализа каталитической активности олова. Их точные симуляции могут перевернуть представление о создании сложных катализаторов — теперь их можно проектировать быстрее и проще.

Результаты опубликованы в издании Advanced Functional Materials.

Эти катализаторы особенно ценны, потому что превращают вредный CO₂ в топливо с помощью возобновляемой энергии, — объясняет Хао Ли из WPI-AIMR. — Это шаг к углеродной нейтральности.

Ученые использовали машинное обучение для масштабного моделирования молекулярной динамики и смогли воссоздать структуру оксида и сульфида олова (SnO₂/SnS₂).

В основе модели — данные более чем 1000 экспериментов из научных работ.

Вместо месяцев проб и ошибок в лаборатории мы запускаем симуляции, которые сразу показывают, на чем стоит сосредоточиться, — говорит Ли.

Модель тестировала катализаторы в разных условиях, включая уровень кислотности (pH), и анализировала, как каждый из них справляется с превращением CO₂. Раньше расчеты плохо учитывали влияние pH на эффективность, но теперь удалось получить точные данные.

Результаты совпали с реальными экспериментами, подтвердив надежность метода. Это исследование приближает нас к созданию доступного экологичного топлива.

В будущем ученые планируют улучшить алгоритмы машинного обучения, чтобы предсказывать свойства катализаторов еще точнее. Все данные уже выложены в открытую базу DigCat — крупнейший каталог катализаторов, разработанный лабораторией Хао Ли.

Главный плюс — ускорение разработки катализаторов для переработки CO₂. Сейчас на подбор материалов уходят годы, а машинное обучение сократит этот процесс до дней. Это критически важно для зеленой энергетики: если мы научимся дешево и массово превращать углекислый газ в топливо, это снизит зависимость от нефти и замедлит изменение климата.

Метод опирается на существующие экспериментальные данные — если в них были ошибки или пробелы, это может исказить прогнозы модели. Кроме того, симуляции пока не учитывают все переменные реальных условий, например примеси в промышленных выбросах.

Ранее ученые создали новый катализатор на основе церия, ниобия и олова.